多目标跟踪

http://blog.csdn.net/cyxyz/article/details/41821737

一、Guide

进行多目标跟踪的学习。 跟踪的难点：

将现在检测到的目标和以前检测的目标进行匹配连接跟踪被遮挡的目标当被遮挡的目标再次出现时，可以重新分配

二、Resources

1. 这是别人整理的一些跟踪方面的资料，方便以后学习使用。

2. CVPR 2014上关于tracking的文章还是比较多的。

3. UIUC的Jia-Bin Huang同学收集的关于tracking的代码。

Particle filter object tracking [1] ProjectKLT Tracker [2-3] ProjectMILTrack [4] Code, 这个代码需要Intel ipp, 没有跑通。Incremental Learning for Robust Visual Tracking [5] ProjectOnline Boosting Trackers [6-7] ProjectL1 Tracking [8] Matlab code

代码相关论文

P. Perez, C. Hue, J. Vermaak, and M. Gangnet. Color-Based Probabilistic Tracking ECCV, 2002. [PDF]B.D. Lucas and T. Kanade, An Iterative Image Registration Technique with an Application to Stereo Vision, IJCAI 1981. [PDF]J. Shi, C. Tomasi, Good Feature to Track, CVPR 1994. [PDF]B. Babenko, M. H. Yang, S. Belongie, Robust Object Tracking with Online Multiple Instance Learning, PAMI 2011 [PDF]D. Ross, J. Lim, R.-S. Lin, M.-H. Yang, Incremental Learning for Robust Visual Tracking, IJCV 2007 [PDF]H. Grabner, and H. Bischof, On-line Boosting and Vision, CVPR 2006 [PDF]H. Grabner, C. Leistner, and H. Bischof, Semi-supervised On-line Boosting for Robust Tracking, ECCV 2008 [PDF]X. Mei and H. Ling, Robust Visual Tracking using L1 Minimization, ICCV, 2009. [PDF]

三、Papers

1. UCF的GMCP-Tracker方法

可以进行多个行人跟踪，相关论文是Global Multi-object Tracking Using Generalized Minimum Clique Graphs。演示效果如下，但貌似不是实时的，论文中说在Matlab中实现，一帧要4s左右，不过可以进行优化。

2. CVPR上Horst Possegger的两篇文章

CVPR2014:Occlusion Geodesics for Online Multi-Object Tracking     这篇文章的Matlab代码可以直接运行，且效果也不错。文中只使用了几何学的信息，计算遮挡区域的置信度，利用munkres version的Hungarian Algorithm实现检测目标的分配。文章对比了online,offline,和multi-camera几种方法，显示出文章方法在准确率和速度上都有明显的优势。察看代码，发现作者只提供一个demo的主m文件和一个配置文件，细节的实现都是.p文件，无法阅读具体的代码。不过，从它的主文件中已经可以看到程序的具体实现。这个demo没有使用检测器检测目标，而是利用标注文件把每帧的目标都标记出来。

CVPR2013:Robust Real-Time Tracking of Multiple Objects by Volumetric Mass Densities

3.《Stable Multi-Target Tracking in Real-Time Surveillance Video》 CVPR2013 @Ben BenFold

文章中说一般的跟踪方法只提供了大概的位置，但他们的方法可以提供了准确的头部位置估计。方法是多线程的，异步的HOG检测，同时进行KLT(光流)跟踪，使用Markov-Chain Monte-Carlodata association。

4. 《Tracking Using Motion Patterns for Very Crowded Scenes》 ECCV2012 @Xuemei Zhao

It combines visual tracking, motion pattern learning and multi-target tracking.Structured crowded scenes exhibit clear motion pattern(s)Tow issues need to be solved. motion pattern problemsingle vs multi-target tracking detections: normal methods don't work appearance based on detectorbackground modeling proposed method 手动标注一个目标，训练一个检测器，并用这个检测器检测其它相同的目标。并将学习到的一个目标运动形式扩展到多个目标。

5. 《Online Multi-Person Tracking by Tracker Hierarchy》 AVSS 2012 @Jianming Zhang

　　Zhang提出了一个自己的通过检测进行跟踪(tracking-by-detection)的框架,apperance model通过template ensemble更新，使用分级的跟踪器。 　　 Contributions:

模板集(template ensemble)可以在线更新，丢弃不好的模板。一个分层的跟踪器，选取最有效的跟踪策略。专家跟踪器，有许多置信度高的模板。正常的跟踪器包含更少的模板，依赖新检测的结果更多，对模板依赖少。在跟踪过程中，可以对跟踪器升级和降级。可以自动初始和结束跟踪器。

知识点: 生成模型(generative model)： 生成一个模板,进行匹配，联合概率p(x, y) 判别模型(discriminative model)：对之进行判别, 条件概率p(y | x)

当目标被遮挡后，自动增长搜索区域范围。

6. 《Online Motion Agreement Tracking》 BMVC 2013 @Zheng Wu

Wu

7. 《Robust tracking via patch-based appearance model and local background estimation》 2014 neurocomputing @Bineng Zhong

Zhong

 

四、Problems

1. data association

检测出目标之后，使用什么进行数据的关联是一个主要问题。motion、apperance、...

五、Reference

http://www.yale.edu/perception/Brian/refGuides/MOT.htmlCVPR 2014